키워드 세트에서 예산까지: 검색량·CPC·경쟁도가 하나의 숫자가 되는 과정

키워드 도구에서 받은 표와 실제 예산 결정 사이에는, 누군가 대신 해주지 않는 변환 과정이 하나 있다. 도구는 키워드마다 검색량, CPC, 경쟁도를 보여준다. 하지만 필요한 것은 그 표 자체가 아니다. 이번 달 이 키워드 세트에 얼마를 배정할지, 결국 하나의 예산 숫자가 필요하다. 이 글에서는 흩어진 세 지표를 예산으로 연결하는 방법과, 모델이 시간을 아껴주는 지점 및 오히려 판단을 망치는 지점을 짚어본다.

먼저 범위부터 분명히 하자. 여기서 다루는 데이터는 모두 각 플랫폼의 공개 광고 라이브러리와 크리에이티브 센터에서, 본인 계정으로 로그인해 확인한 정보다. 서명을 우회하거나 무엇인가를 뚫는 방식은 사용하지 않는다. 누구나 볼 수 있는 공개 데이터를 예산 판단으로 바꾸는 방법에 관한 이야기다.

검색량·CPC·경쟁도, 각각에 숨어 있는 함정

대부분은 키워드 표의 세 열을 고정된 숫자처럼 받아들인다. 하지만 어느 하나도 그렇지 않다.

검색량은 기간 창에 따라 달라지는 값이다. 같은 키워드라도 7일, 30일, 180일 중 어떤 기간을 보느냐에 따라 검색량이 몇 배씩 달라질 수 있다. 보통 전월 대비와 전년 대비 수치도 함께 제공된다. ‘검색량은 낮지만 전년 대비 두 배가 된 키워드’와 ‘검색량은 높지만 전년 대비 절반으로 줄어든 키워드’는 완전히 반대의 신호다. 검색량 열만 복사하면 둘은 똑같아 보인다.

CPC는 단일 값이 아니라 범위다. 플래너는 최저가부터 최고가까지의 구간을 반환한다. 여기서 임의로 중앙값 하나를 집어 들면, 플랫폼이 명시한 불확실성을 지워버리게 된다. 보수적으로 예산을 잡을 때는 상단값을, 낙관적인 수익을 가정할 때는 하단값을 써야 한다. 하나의 점값을 선택하는 것은 실제로 알 수 없는 것을 안다고 가정하는 일이다.

경쟁도는 절대 난이도가 아니라 상대 등급이다. ‘낮음 / 중간 / 높음’은 필터를 적용한 시점에 플랫폼 전체 키워드 풀을 기준으로 붙는 라벨이다. 이 말은 ‘이 키워드들 사이에서는 다소 어렵다’는 뜻일 뿐, ‘입찰에서 이만큼 어려운 키워드’라는 절대적 의미가 아니다. 시장이나 카테고리가 바뀌면 등급도 달라진다. 서로 다른 키워드 풀의 경쟁도를 절대 점수처럼 비교하는 것이 세 함정 중 가장 교묘하다.

키워드 하나씩 더하지 말고 세트로 집계하라

세 지표 모두를 그대로 믿을 수 없다는 점을 알았다면, 다음 질문이 나온다. 왜 키워드별로 ‘검색량 x CPC’를 계산해 모두 합산하면 안 될까?

유사어의 검색량은 단순히 더할 수 없기 때문이다. 예를 들어 ‘X 구매’와 ‘X 가격’을 검색한 사람은 같은 구매 과정에서 두 검색을 수행한 동일 사용자일 가능성이 높다. 이를 그대로 합산하면 한 사람을 두 번 세게 되고, 근거 없이 예산만 부풀려진다.

그래서 제대로 된 플래너는 개별 키워드 보기 외에 키워드 세트 집계 보기를 제공한다. 여러 키워드를 하나의 세트로 제출하면, 단어별 합계가 아니라 키워드 간 중복을 제거한 전체 세트의 검색량 범위와 예산 추정 범위를 돌려준다. 플랫폼도 예산은 세트 단위로 제시한다. 개별 키워드의 세 열은 정렬과 그룹화에는 유용하지만, 합산용 지표는 아니다.

제품에서 쓰는 단어와 사용자가 검색하는 단어는 다르다

이 글에서 가장 중요한 함정이자 가장 많은 사람이 빠지는 지점이다. 우리가 제품을 부르는 방식과 시장이 실제로 검색창에 입력하는 말은 흔히 다르다.

비즈니스 토픽 단어는 내부 언어다. 제품명, 기능명, 포지셔닝 슬라이드에 쓰는 표현이 여기에 해당한다. 반면 검색어는 사용자의 언어다. 더 구어체이고, 문제 중심적이다. 예를 들어 서비스가 ‘AI video generation’이라면 내부 토픽 단어도 ‘AI video generation’일 수 있다. 하지만 실제 사용자는 ‘how to turn a photo into a video’나 ‘text to video free’를 검색한다. 이 두 단어 묶음은 검색량, CPC, 경쟁도 측면에서 같은 바구니에 들어 있지 않다.

이 불일치는 특히 국가를 넘는 출시에서 치명적이다. 토픽 단어를 그대로 번역했는데 현지 시장은 애초에 그렇게 말하지 않을 수 있다. 새 카테고리에서도 마찬가지다. 기업은 새 용어를 만들었지만, 시장은 기존 단어로 새 욕구를 설명할 수 있다. 해결책은 단순하다. 토픽 단어는 출발점일 뿐이며, 실제 예산 표에 들어갈 단어는 시장의 검색어에서 확장되어야 한다. 성숙한 워크플로에서는 ‘크리에이티브 토픽 단어’와 ‘시장 검색어’를 별도 필드로 관리한다. 토픽 단어는 광고 소재가 무엇을 말할지 결정하고, 검색어는 예산이 어디로 갈지 결정한다. 둘을 섞으면 아무도 검색하지 않는 내부 언어에 예산을 사게 된다.

모델로 키워드를 확장할 때: 시드와 맥락을 주고 의도까지 받기

몇 개의 시드 키워드에서 출발해 시장의 실제 검색을 포괄하는 키워드 표를 만드는 일은, 질문을 제대로 던진다면 모델이 확실히 시간을 절약해줄 수 있는 첫 단계다. ‘관련 키워드를 확장해줘’라고만 요청하면 구조 없는 동의어 목록만 돌아온다. 대신 비즈니스 맥락을 제공하고, 키워드마다 다음 세 항목을 반드시 반환하도록 해야 한다.

I'm doing search advertising for <one-sentence product description> in
<target market/country>.
Seeds: <3 to 10 words you already know>

Expand the keywords, and output each in the structure below, no prose:

1. Keyword
2. Intent stage it belongs to (awareness / comparison / decision / brand)
   awareness: the user is describing a problem, doesn't know the solution yet
   comparison: the user is weighing several solutions
   decision: the user is ready to buy, looking for a channel/price/alternative
   brand: the user is searching a specific brand name
3. Why it's adjacent to the seed (a different phrasing of the same need?
   the downstream next step? an adjacent need in the same scenario?)

두 번째 항목이 키워드를 예산으로 연결하는 고리다. 의도 단계가 없으면 확장 키워드는 그저 문자열일 뿐이다. 세 번째 항목은 검토를 위한 장치다. 모델이 만들어낸 단어 중 실제 비즈니스와 무관한 것은 이 열에서 대개 논리가 무너진다. 두 개의 추가 열은 모델이 그럴듯한 연상만 제시하지 않고 검증 가능한 구조를 내놓도록 강제한다.

피드백 검증: 모델의 추측은 실제 검색량으로 판정해야 한다

이 단계는 전체 흐름의 관문이다. 많은 사람이 이를 건너뛰고 환각 키워드로 채워진 표를 들고 캠페인을 시작한다. 모델이 확장한 단어는 도구에 다시 넣어보기 전까지 모두 가설이다. 문법적으로 자연스럽고 의도 태그도 그럴듯하지만, 한 달에 검색하는 사람이 0명인 단어를 모델은 얼마든지 만들 수 있다. 모델은 실시간 검색량을 알지 못한다. ‘실제 검색어처럼 보이는가’를 기준으로 샘플링할 뿐, ‘누군가 실제로 검색하는가’를 알지는 못한다.

방법은 기계적으로 적용하면 된다. 모든 키워드를 다시 플래너에 넣어 실제 검색량, CPC, 경쟁도를 받아온다. 그중 검색량이 0이 아니고, 의도 태그가 실제 지표와 일관된 키워드만 남긴다. 여기서 일관성이란, 모델이 ‘구매 결정 의도’로 분류한 키워드라면 일반적으로 실제 CPC가 높고 경쟁도도 치열해야 한다는 뜻이다. 결정 의도라고 했는데 CPC가 터무니없이 낮고 경쟁도도 최저 등급이라면, 그건 발견이 아니라 잘못 붙은 의도 태그다. 다시 검토 대상으로 보내야 한다.

‘모델은 가설을 만들고, 실제 데이터가 결론을 낸다’는 역할 분리는 리버스 엔지니어링에서 모델에게 난독화 코드의 알고리즘을 식별하게 한 뒤 차분 테스트로 환각을 걸러내는 구조와 같다. 모델은 후보 생성에는 강하지만 사실 검증에는 약하다. 따라서 두 일을 동시에 맡기면 안 된다. 키워드에서 ‘피드백 검증’은 바로 그 차분 테스트에 해당하며, volume > 0이라는 조건은 모델이 ‘좋은 키워드’라고 말하는 것보다 훨씬 강력한 판정 기준이다.

의도 단계별 예산 구조로 내려오기

검증을 마친 키워드 표에는 이제 쓸 수 있는 구조가 생긴다. 각 키워드에 실제 검색량 범위, CPC 범위, 경쟁도 등급, 의도 단계 태그가 붙는다. 예산을 계산할 수 있는 시점은 바로 지금이다. 핵심은 키워드에 균등하게 돈을 나누는 것이 아니라, 의도 단계별로 배분하는 데 있다.

구매 결정 의도 키워드(‘X price’, ‘X alternative’, ‘buy X’): 전환에 가장 가깝고 클릭당 가치도 가장 높다. 다만 검색량은 낮고 경쟁은 가장 치열하며 CPC 상단도 높다. 우선순위와 가격 허용 범위는 높게 두되, 실제로 구매 준비가 된 사람의 수에는 한계가 있으므로 상한을 설정해야 한다.
비교 의도 키워드: 전환과 검색량 모두 중간 수준이다. 구매 결정 키워드에서 넘치는 예산을 흡수하는 역할을 한다.
인지 의도 키워드(‘how to do X’, ‘what is X’): 검색량은 가장 높고 CPC는 가장 낮지만 전환과는 가장 멀다. 도달 범위를 확보하는 수준으로 적게 배정하고, 구매 결정 키워드와 같은 전환 기대치를 적용해서는 안 된다.

각 그룹 안에서는 다시 ‘검색량 범위 x 목표 점유율 x CPC 범위’로 정렬한다. 결국 키워드 세트는 근거 없이 꺼낸 단일 숫자가 아니라, 의도 단계별로 나뉜 예산 구조와 단계별 범위로 수렴한다.

단계마다 맞는 모델을 고르는 법

이 흐름에서 모델이 맡는 업무는 필요한 역량이 크게 다르다. 처음부터 끝까지 하나의 모델만 쓰면 비용을 낭비하거나 정확도를 희생하게 된다.

단계	필요한 역량	추천 모델	model id
키워드 확장 + 의도 분류	강한 추론, 비즈니스 맥락 이해, 의도 판단, ‘왜 인접한지’ 설명	Claude Opus 5	`claude-opus-5`
전체 맥락을 넣은 확장(키워드 세트 + 출시 이력 + 랜딩 페이지 카피)	세부 정보를 놓치지 않고 전체 비즈니스 맥락을 넣을 수 있는 긴 컨텍스트	Kimi K3	`kimi-k3`
항목별로 수백~수천 개 확장 키워드 태깅 및 중복 제거	저비용, 높은 동시성, 대량 처리	Claude Sonnet 5	`claude-sonnet-5`
피드백 이후 편차 귀인 분석(모델의 의도 판단과 실제 지표가 다른 이유)	중간 수준의 추론, 숫자를 근거로 설명하는 능력	GPT-5.6 Sol	`gpt-5.6-sol`

특히 첫 단계는 따로 강조할 만하다. 확장과 의도 분류는 모델을 바꿨을 때 결과 차이가 눈에 띄게 드러나는 유일한 단계다. ‘이 비즈니스를 이해하는가’와 ‘실제로 무관한 단어를 무관하다고 인정하는가’를 동시에 시험한다. 약한 모델은 모든 의도를 ‘결정’으로 태그한 완전한 확장 표를 내놓고, 한 번의 피드백 검증만 거치면 처참한 적중률이 드러난다. 강한 추론 모델은 인접하지 않은 단어를 스스로 표시한다. 비교는 직접 해보면 된다. 절차도 간단하다.

비즈니스 맥락을 잘 아는 시드 키워드 세트 하나를 고른다. 키워드는 5~10개면 된다.
동일한 ‘시드 + 비즈니스 맥락’을 claude-opus-5와 gpt-5.6-sol에 각각 넣고, 50개 키워드를 ‘키워드 + 의도 단계 + 인접한 이유’ 형식으로 요청한다.
두 결과를 모두 플래너에 다시 넣어 실제 검색량, CPC, 경쟁도를 확인한다.
두 가지를 본다. 확장 키워드 중 실제 검색량이 0이 아닌 단어가 얼마나 되는지, 그리고 의도 태그가 실제 CPC 및 경쟁도와 일관되는지다. 결정 의도 키워드는 더 비싸고 경쟁이 치열해야 한다.
이 적중률이 모델 선택 기준이다. 이후 단계에서 버려야 할 환각 키워드가 얼마나 되는지를 직접 결정한다. 어떤 벤치마크보다 한 번의 비교가 차이를 명확하게 보여준다.

진짜 걸림돌은 모델 전환 비용이다

모델은 4개, 벤더는 3곳, SDK는 3종, 인증 방식도 3개, 오류 형식도 3개다. 확장, 대량 태깅, 귀인 분석 사이에서 모델을 바꾸려고 클라이언트를 세 번 다시 작성하는 것은 효율적이지 않다. 그래서 대부분은 전 과정을 하나의 모델로 처리한다. 확장 단계에는 의도 분류를 제대로 못 하는 등급을 쓰고, 왜 피드백 적중률이 낮은지도 모른 채 끝나는 경우가 많다.

AIReiter는 이 중간 레이어를 없앤다. 키 하나와 OpenAI 호환 인터페이스 하나로 네 가지 등급을 모두 사용할 수 있으며, 요청 본문의 model 필드만 바꾸면 모델을 전환할 수 있다.

# Keyword expansion + intent classification: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<expansion prompt + seeds + business context>"}]
  }'

# Tag hundreds of expanded words in bulk: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Post-feedback deviation attribution:
#   "model": "gpt-5.6-sol"

이미 OpenAI SDK를 사용하고 있다면 base_url을 https://aireiter.com/api/v1로 지정하면 된다. 다른 변경은 필요 없다. Anthropic SDK에서는 같은 키로 POST /api/v1/messages를 호출한다.

가격은 Claude 모델이 정가 대비 30% 할인, GPT 모델이 반값이다. 이 흐름에서 주된 비용은 확장이 아니다. 키워드 세트 하나는 추론 모델에 몇 차례 요청하는 정도면 충분하기 때문이다. 실제 사용량을 태우는 작업은 대량 태깅이다. 계획을 한 번 세울 때마다 수백~수천 개 후보 키워드를 항목별로 의도 태깅하고 중복 제거해야 한다. 저렴한 등급의 높은 동시성 대량 처리와 Claude 30% 할인은 가장 호출 밀도가 높은 이 작업에 정확히 맞는다.

API 키 발급받기
가입 없이 사용해 보기: 먼저 키워드 세트 하나를 직접 확장해 두 등급이 만든 키워드의 피드백 적중률을 비교한 뒤, 연동 여부를 결정하면 된다.

마무리

키워드 도구가 주는 세 지표는 그대로 믿기 어렵다. 검색량은 기간 창에 따른 값이고, CPC는 범위이며, 경쟁도는 상대 등급이다. 반면 출시에는 의도 단계별로 나뉜 예산 구조가 필요하다. 그 사이를 잇는 뼈대는 이렇다. 개별 키워드를 더하지 말고 세트 단위로 중복을 제거하고, 비즈니스 토픽 단어가 아닌 시장 검색어를 시드로 삼는다. 모델에는 의도 태그를 포함해 키워드를 확장하게 하되, 모든 키워드를 실제 검색량으로 검증한다. 그리고 키워드별 균등 배분 대신 의도 단계별로 예산을 배정한다. 모델은 확장과 의도 분류를 가속하는 도구이지, 예산을 결정하는 주체가 아니다.

이 예산이 계산되면 키워드에서 완성형 광고 크리에이티브로 이어지는 파이프라인의 상업성 검증 단계에 들어가는 입력값이 된다. 예산 기준을 넘는 키워드 세트만 크리에이터 매칭과 에셋 생성으로 넘길 가치가 있다. 이와 나란히 봐야 할 의사결정 축은 광고의 초 단위 리텐션 곡선을 읽는 일이다. 하나는 어떤 키워드에 돈을 걸지 결정하고, 다른 하나는 어떤 크리에이티브에 돈을 걸지 결정한다.